| 序号 | 专利名 | 申请号 | 申请日 | 公开（公告）号 | 公开（公告）日 | 发明人 |
|---|---|---|---|---|---|---|
| 21 | 一种联合全色影像和多光谱影像的道路提取方法及装置 | CN202510010107.2 | 2025-01-03 | CN120014438A | 2025-05-16 | 林雨准; 金飞; 芮杰; 王淑香; 左溪冰; 邹毓杰 |
| 本发明涉及道路提取与信息融合技术领域，提供一种联合全色影像和多光谱影像的道路提取方法及装置。该方法包括：构建联合全色影像和多光谱影像的深度卷积神经网络，所述深度卷积网络包含两大部分三个分支，第一个部分为特征提取部分，包括全色影像分支和多光谱影像分支，分别用于提取所述全色影像和所述多光谱影像的特征，并输出多层次的特征信息；第二个部分为融合部分，为融合分支，用于提取所述全色影像的空间细节和所述多光谱影像的光谱信息并与所述多层次的特征信息进行融合，完成道路分割；基于构建的深度卷积神经网络联合全色影像和多光谱影像进行道路提取。本发明可全面提升光谱信息和空间细节在道路提取中的作用。 | ||||||
| 22 | 光学卫星全色影像和多光谱影像的配准融合方法及装置 | CN202411165007.9 | 2024-08-23 | CN118691654A | 2024-09-24 | 邹崇尧; 范小洁; 戴腾; 陈春华; 黄露; 刘君; 尧志青; 邹松柏; 胡双林; 王思远 |
| 本发明提供了一种光学卫星全色影像和多光谱影像的配准融合方法及装置，涉及影像配准融合领域，该方法包括：分割光学卫星全色影像及多光谱影像，得到影像配准组；根据投票参数空间确定影像配准组对应的第一配准参数；根据第一相位信息及第二相位信息确定第二配准参数；根据第一配准参数及第二配准参数，确定配准参数序列，从配准参数序列中确定目标配准参数；利用目标配准参数对多光谱影像进行粗配准，得到配准后影像，融合光学卫星全色影像及配准后影像，得到融合后影像。本发明不仅能提高配准精度，实现在立体测图中的高几何精度的配准融合，又能够减少极端值对融合结果的影响，增强算法对异常值的鲁棒性，使得最终图像配准更加稳定和可靠。 | ||||||
| 23 | 光学卫星全色影像和多光谱影像的配准融合方法及装置 | CN202411165007.9 | 2024-08-23 | CN118691654B | 2024-11-22 | 邹崇尧; 范小洁; 戴腾; 陈春华; 黄露; 刘君; 尧志青; 邹松柏; 胡双林; 王思远 |
| 本发明提供了一种光学卫星全色影像和多光谱影像的配准融合方法及装置，涉及影像配准融合领域，该方法包括：分割光学卫星全色影像及多光谱影像，得到影像配准组；根据投票参数空间确定影像配准组对应的第一配准参数；根据第一相位信息及第二相位信息确定第二配准参数；根据第一配准参数及第二配准参数，确定配准参数序列，从配准参数序列中确定目标配准参数；利用目标配准参数对多光谱影像进行粗配准，得到配准后影像，融合光学卫星全色影像及配准后影像，得到融合后影像。本发明不仅能提高配准精度，实现在立体测图中的高几何精度的配准融合，又能够减少极端值对融合结果的影响，增强算法对异常值的鲁棒性，使得最终图像配准更加稳定和可靠。 | ||||||
| 24 | 一种高分七号卫星全色影像和多光谱影像自动配准方法 | CN202110785151.2 | 2021-07-12 | CN113393499B | 2022-02-01 | 刘昌儒; 唐新明; 王霞; 岳庆兴; 周平; 郭莉; 张恒 |
| 本发明公开了一种高分七号卫星全色影像和多光谱影像自动配准方法，包括如下步骤，S1、获取全色影像和多光谱各波段影像的几何成像模型参数，构建全色影像和多光谱各波段影像的几何成像模型；S2、利用全色影像和多光谱各波段影像的几何成像模型参数，构建全色影像和多光谱各波段影像统一的虚拟CCD几何成像模型；S3、基于全色影像和多光谱各波段影像统一的虚拟CCD几何成像模型，生成严格配准的全色影像和多光谱影像。优点是：能够有效的处理高分七号卫星全色影像和多光谱影像配准问题，在进行传感器校正处理中通过构建虚拟的统一的CCD，实现了两种影像的自动配准。 | ||||||
| 25 | 一种高分七号卫星全色影像和多光谱影像自动配准方法 | CN202110785151.2 | 2021-07-12 | CN113393499A | 2021-09-14 | 刘昌儒; 唐新明; 王霞; 岳庆兴; 周平; 郭莉; 张恒 |
| 本发明公开了一种高分七号卫星全色影像和多光谱影像自动配准方法，包括如下步骤，S1、获取全色影像和多光谱各波段影像的几何成像模型参数，构建全色影像和多光谱各波段影像的几何成像模型；S2、利用全色影像和多光谱各波段影像的几何成像模型参数，构建全色影像和多光谱各波段影像统一的虚拟CCD几何成像模型；S3、基于全色影像和多光谱各波段影像统一的虚拟CCD几何成像模型，生成严格配准的全色影像和多光谱影像。优点是：能够有效的处理高分七号卫星全色影像和多光谱影像配准问题，在进行传感器校正处理中通过构建虚拟的统一的CCD，实现了两种影像的自动配准。 | ||||||
| 26 | 一种细节信息逐步融入的卫星影像全色增强方法 | CN202011510233.8 | 2020-12-19 | CN112528914B | 2022-04-22 | 吴炜; 谢煜晨; 吴宁 |
| 本发明提供了一种细节信息逐步融入的卫星影像全色增强方法，首先将全色影像分解成高通部分和低通部分，然后将全色增强视为超分辨率问题，通过在超分辨率过程中融入高通部分，实现遥感影像空间细节信息的保持。本发明的优点在于：利用频率分离技术提前分离PAN图像信息，充分利用了PAN图像中的细节信息；采用渐进式组合重建和自学习上采样的方法，实现空间特征与多光谱特征的多层次融合，处理后的图像结构空间细节信息丰富，空间细节信息融合充分，具有较好的增强效果，能够增强图像的空间分辨率。 | ||||||
| 27 | 基于金字塔调制注入的多光谱与全色遥感影像融合方法 | CN202111557631.X | 2021-12-19 | CN114240814A | 2022-03-25 | 袁媛; 孙义; 张园林 |
| 本发明公开了一种基于金字塔调制注入的多光谱与全色遥感影像融合方法，首先将一对多光谱影像和全色影像进行分割，得到多组内容相同的配对的多光谱影像块和全色影像块；然后进行特征空间映射与转换，得到光谱映射向量和空间映射向量；接下来进行特征提取，再根据光谱特征图和空间特征图得到注入系数，将注入系统注入到光谱特征图中，得到空谱联合特征；最终经过上两轮上采样得到同时具备高空间分辨率和高光谱分辨率的影像。本发明依靠光谱信息和空间信息的全局依赖关系完成对多光谱影像的空间分辨率提升，使得融合影像在光谱和空间域上做到了有效的双重保真。 | ||||||
| 28 | 基于CPU和GPU协同处理的全色和多光谱影像实时融合方法 | CN202110877331.3 | 2021-07-31 | CN113570536B | 2022-02-01 | 赵薇薇; 王密; 吕守业; 谢广奇; 王艳; 张彪 |
| 本发明公开了一种基于CPU和GPU协同处理的全色和多光谱影像实时融合方法，对全色多光谱数据进行快速融合处理，生成具有高空间分辨率及高光谱分辨率的融合影像。本发明将全色与多光谱融合的所有步骤都在内存中完成，并且将计算量较大的步骤都映射到GPU进行，能够在保障融合精度的同时极大地提高融合效率，通过RFM考虑了全色多光谱之间严密的几何对应关系，再通过微分纠正最大限度地限制了全色多光谱之间可能存在的几何偏差，使得全色与多光谱的配准效果能够达到最优，最后通过基于多尺度的SFIM融合方法与全色光谱分解的影像融合方法获取效果最优的融合图像。本发明适用于大数据量的传感器数据快速融合处理需求。 | ||||||
| 29 | 基于卫星遥感多光谱和全色影像融合的地物要素分类方法 | CN202111087032.6 | 2021-09-16 | CN113887344A | 2022-01-04 | 柳思聪; 赵慧; 杜谦; 童小华; 谢欢; 冯永玖; 金雁敏 |
| 本发明涉及一种基于卫星遥感多光谱和全色影像融合的地物要素分类方法，具体包括以下步骤：S1、获取目标区域的多光谱影像和全色影像，提取多光谱影像的EMAP空间特征，与多光谱影像进行级联，得到浅层空谱特征；S2、浅层空谱特征作为深度网络的输入，全色影像作为重构输出，通过网络训练得到多分辨率隐层特征；S3、分别提取低分辨率隐层特征、中分辨率隐层特征和高分辨率隐层特征，通过卷积神经网络分别进行特征融合与分类训练，得到目标区域内的地物要素分类结果。与现有技术相比，本发明结合了影像上全局尺度上的浅层特征，和局部尺度上的深度特征，充分挖掘了MS和PAN影像之间的多分辨率隐层特征表达，具有分类精度高、结果鲁棒性高等优点。 | ||||||
| 30 | 一种细节信息逐步融入的卫星影像全色增强方法 | CN202011510233.8 | 2020-12-19 | CN112528914A | 2021-03-19 | 吴炜; 谢煜晨; 吴宁 |
| 本发明提供了一种细节信息逐步融入的卫星影像全色增强方法，首先将全色影像分解成高通部分和低通部分，然后将全色增强视为超分辨率问题，通过在超分辨率过程中融入高通部分，实现遥感影像空间细节信息的保持。本发明的优点在于：利用频率分离技术提前分离PAN图像信息，充分利用了PAN图像中的细节信息；采用渐进式组合重建和自学习上采样的方法，实现空间特征与多光谱特征的多层次融合，处理后的图像结构空间细节信息丰富，空间细节信息融合充分，具有较好的增强效果，能够增强图像的空间分辨率。 | ||||||
| 31 | 基于自适应高斯滤波的全色多光谱影像融合方法及系统 | CN201711354954.2 | 2017-12-15 | CN107958450A | 2018-04-24 | 王密; 何鲁晓 |
| 本发明提出一种基于自适应高斯滤波的全色多光谱影像融合方法及系统，包括将全色影像下采样至与原始多光谱影像一样大小；统计下采样全色影像和原始多光谱影像各波段的均值与平均梯度，并以下采样全色影像的平均值作为标准，调整多光谱各波段的均值与平均梯度数值；拟合计算最优参数对下采样全色影像进行高斯滤波；将滤波后的下采样全色影像及原始多光谱影像进行上采样，采样至与原始全色影像一样大小，得到模拟全色影像和上采样多光谱影像，进行全色多光谱融合。本发明具有清晰度高，光谱保真能力强、自适应程度好的特点。 | ||||||
| 32 | 一种顾及雪覆盖影响的高分辨全色遥感影像变化检测方法 | CN201510108620.1 | 2015-03-12 | CN104680151A | 2015-06-03 | 潘励; 谈家英; 杨倩 |
| 本发明公开了一种顾及雪覆盖影响的高分辨全色遥感影像变化检测方法，本发明充分利用根据全色影像上积雪覆盖的特点，采用基于纹理特征的变化检测检测方法进行变化检测，提取变化区域。采用基于水平集方法的Chan-Vese分割方法提取出实验新旧影像上的积雪区域，根据变化检测的结果和新旧影像上积雪覆盖情况，去除部分积雪覆盖变化而导致的伪变化，提取出变化区域，提高了变化检测的精确度与地图修测的自动化程度，缩短了数据更新周期。 | ||||||
| 33 | 多层次知识驱动的全色遥感影像的道路变化信息提取方法 | CN200810047264.7 | 2008-04-09 | CN101364259A | 2009-02-11 | 潘励; 郑宏; 王华; 邱枫; 董明 |
| 本发明公开了一种多层次知识驱动的全色遥感影像的道路变化信息提取方法，首先在道路提取层中充分应用先验知识，自动生成多尺度模板，实现道路候选段的自动提取，根据人对道路模型的感知知识，采用感知编组连接候选道路段，形成初始道路网；其次在变化道路检测层中加入知识判断原则，对提取道路网和旧道路网进行缓冲区分析，得到道路变化检测结果；再次在新增道路检测层中，结合道路网模型进行推理和假设，得到符合道路模型的知识约束规则，从视觉分割得到分割块反映影像属性的角度出发，对候选新增道路进行优化和处理；最后在半自动提取层中针对道路复杂性，在人的知识的驱动下完成新增道路的半自动跟踪，产生完整的新增道路网。 | ||||||
| 34 | 基于全局协同融合的多光谱和全色卫星影像地表分类方法 | CN202310268047.5 | 2023-03-16 | CN116343058A | 2023-06-27 | 柳思聪; 赵慧; 杜谦; 童小华; 谢欢; 冯永玖; 金雁敏; 刘世杰; 许雄; 叶真; 陈鹏 |
| 本发明涉及一种基于全局协同融合的多光谱和全色卫星影像地表分类方法，包括：获取研究区的多光谱卫星遥感影像和全色卫星遥感影像，并进行地表要素样本标注，得到训练样本图；构建全局协同的多光谱和全色卫星遥感影像地表要素分类深度卷积神经网络，该网络包括两个单源分支和一个多源分支；将多光谱和全色卫星遥感影像以及训练样本图，输入网络中，进行训练，得到训练后的网络模型；获取待分类的多光谱和全色卫星遥感影像，并输入到网络模型中进行预测，得到各个网络分支的概率分类图；通过概率加权对各个概率分类图进行决策级融合，得到最终的研究区地表要素分类图。与现有技术相比，本发明具有分类精度高、结果鲁棒性好和预测速度快等优点。 | ||||||
| 35 | 一种高分辨率光学卫星全色多光谱影像融合的色彩保持方法 | CN202111116557.8 | 2021-09-23 | CN113850877A | 2021-12-28 | 王密; 谢广奇 |
| 本发明提供了一种高分辨率光学卫星全色多光谱影像融合的色彩保持方法，首先基于全色影像对全谱段影像进行虚拟化粗配准，然后对虚拟化粗配准后的影像进行精配准，接着对全色影像进行偏蓝抑制，再将进行偏蓝抑制后的全色影像与精配准后的多光谱影像进行融合，使得融合后的影像保持原有的光谱信息。由于本发明的方法在融合过程中针对偏蓝问题进行抑制，使得融合影像能更加有效地保持原有的光谱信息，有利于最终融合效果的改善与光谱信息的保持。 | ||||||
| 36 | 基于CPU和GPU协同处理的全色和多光谱影像实时融合方法 | CN202110877331.3 | 2021-07-31 | CN113570536A | 2021-10-29 | 赵薇薇; 王密; 吕守业; 谢广奇; 王艳; 张彪 |
| 本发明公开了一种基于CPU和GPU协同处理的全色和多光谱影像实时融合方法，对全色多光谱数据进行快速融合处理，生成具有高空间分辨率及高光谱分辨率的融合影像。本发明将全色与多光谱融合的所有步骤都在内存中完成，并且将计算量较大的步骤都映射到GPU进行，能够在保障融合精度的同时极大地提高融合效率，通过RFM考虑了全色多光谱之间严密的几何对应关系，再通过微分纠正最大限度地限制了全色多光谱之间可能存在的几何偏差，使得全色与多光谱的配准效果能够达到最优，最后通过基于多尺度的SFIM融合方法与全色光谱分解的影像融合方法获取效果最优的融合图像。本发明适用于大数据量的传感器数据快速融合处理需求。 | ||||||
| 37 | 多层次知识驱动的全色遥感影像的道路变化信息提取方法 | CN200810047264.7 | 2008-04-09 | CN101364259B | 2010-06-02 | 潘励; 郑宏; 王华; 邱枫; 董明 |
| 本发明公开了一种多层次知识驱动的全色遥感影像的道路变化信息提取方法，首先在道路提取层中充分应用先验知识，自动生成多尺度模板，实现道路候选段的自动提取，根据人对道路模型的感知知识，采用感知编组连接候选道路段，形成初始道路网；其次在变化道路检测层中加入知识判断原则，对提取道路网和旧道路网进行缓冲区分析，得到道路变化检测结果；再次在新增道路检测层中，结合道路网模型进行推理和假设，得到符合道路模型的知识约束规则，从视觉分割得到分割块反映影像属性的角度出发，对候选新增道路进行优化和处理；最后在半自动提取层中针对道路复杂性，在人的知识的驱动下完成新增道路的半自动跟踪，产生完整的新增道路网。 | ||||||
| 38 | 一种高分辨率光学卫星全色多光谱影像融合的色彩保持方法 | CN202111116557.8 | 2021-09-23 | CN113850877B | 2025-05-02 | 王密; 谢广奇 |
| 本发明提供了一种高分辨率光学卫星全色多光谱影像融合的色彩保持方法，首先基于全色影像对全谱段影像进行虚拟化粗配准，然后对虚拟化粗配准后的影像进行精配准，接着对全色影像进行偏蓝抑制，再将进行偏蓝抑制后的全色影像与精配准后的多光谱影像进行融合，使得融合后的影像保持原有的光谱信息。由于本发明的方法在融合过程中针对偏蓝问题进行抑制，使得融合影像能更加有效地保持原有的光谱信息，有利于最终融合效果的改善与光谱信息的保持。 | ||||||
| 39 | 一种基于特征增强通道混洗的高光谱与全色影像融合方法 | CN202411692790.4 | 2024-11-25 | CN119649057A | 2025-03-18 | 耿晶; 岳鑫; 冯雨莹 |
| 本发明公开了一种基于特征增强通道混洗的高光谱与全色影像融合方法，包括：分别获取高光谱影像和全色影像并进行预处理，对应获得预处理后的高光谱影像和预处理后的全色影像；基于矩阵秩约束的高光谱影像特征增强模块对预处理后的高光谱影像进行特征提取，获得高光谱影像特征；基于滤波的全色影像特征提取模块对预处理后的全色影像进行特征提取，获得全色影像特征；将高光谱影像特征和全色影像特征进行拼接，获得影像特征融合部分的输入特征；基于多尺度卷积对输入特征进行特征融合，提取不同尺度的特征，并基于通道混洗的深浅融合模块对不同尺度的特征进行深入融合，获得最终的融合结果。本发明进一步提升了图像融合效果。 | ||||||
| 40 | 星载全色-多光谱-高光谱遥感影像的一体化融合方法 | CN202411484878.7 | 2024-10-23 | CN119399040A | 2025-02-07 | 孟祥超; 白钰傅; 孟祥军; 杨刚; 孙伟伟 |
| 本发明涉及一种星载全色‑多光谱‑高光谱遥感影像的一体化融合方法，借助多光谱影像的特性，实现对多源输入影像中所包含的空间高频细节信息和鉴别性光谱信息的提纯，从而汇成两种纯净的特征分量即空间分量和光谱分量，用于后续重建；在光谱特征重建中，以聚合特征作为主支路，利用多尺度编码特征进行细节注入的同时，通过通道扩展和拆分对光谱特征进行交互推理，获取上下相关线索，最终生成理想影像，满足大空间分辨率差异和光谱差异下多源遥感空‑谱高保真融合需求。 | ||||||
QQ群二维码
意见反馈
意见反馈